三维点云学习（3）3-Gaussian Mixture Model (GMM)

最新推荐文章于 2024-04-24 10:37:06 发布
最新推荐文章于 2024-04-24 10:37:06 发布
阅读量1.8k 收藏 5
点赞数 1
分类专栏： 3D点云学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_41281151/article/details/107366255
版权

三维点云学习（3）3-Gaussian Mixture Model (GMM)

高斯模型

二维高斯分布（Two-dimensional Gaussian distribution）的参数分析

一维高斯模型

在这里插入图片描述
在这里插入图片描述

二维高斯模型

在这里插入图片描述
在这里插入图片描述

GMM

Σ𝑘：方差 𝜇k：高斯模型得中心 𝜋k：每个不同的高斯模型占据的权重

本质：

若干个高斯模型进行线性组合
都需要人工给定K
在这里插入图片描述
Zk:每个数据点属于第k类，表达为ZK=1
P(Z)先验分布：含义点属于哪个高斯模型的概率
P(Z|X)为后验概率，含义是每个点在类中的概率
在这里插入图片描述
在这里插入图片描述
简化公式的推导
在这里插入图片描述
在这里插入图片描述
推导
在这里插入图片描述

计算后验概率

P(Z|X)：后验概率公式，给定一个点，算出属于某个高斯模型的概率分别是什么
在这里插入图片描述

MLE

使用MLE求高斯模型的三个参数
在这里插入图片描述

MLE的奇点问题

当输入的点为Ui，方差有为0，导致结果无穷大
在这里插入图片描述
解决办法：进行先验的限制，或者加入出现方差为零或者很小，进行随机重新初始化点
在这里插入图片描述

SLOVE MLE

1.求解Uk
在这里插入图片描述
在这里插入图片描述
2.求方差
在这里插入图片描述
3.求pi，实用拉格朗日乘数法
pi具有具有限制
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

总结 GMM MLE

1.输入数据集x1 x2 …xn,和K，初始化三个高斯模型的未知数
2.E-step 算出后验概率 --一个点属于哪个类的概率
3.M-step 算出高斯模型三个参数
在这里插入图片描述
在这里插入图片描述

GMM 图示

在这里插入图片描述

KaHoWong
关注
  • 1
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
PCL 点云高斯混合聚类（GMM）
dayuhaitang1的博客
03-04 1128
PCL 点云高斯混合聚类（GMM）
[CVPR 2023:3D Gaussian Splatting：实时的神经场渲染]
weixin_47869094的博客
12-21 2283
mesh 和点是最常见的3D场景表示，因为它们是显式的，非常适合于快速的基于GPU/CUDA的栅格化。相比之下，最近的神经辐射场（NeRF）方法建立在连续场景表示的基础上，通常使用体射线行进来优化多层感知器（MLP），以实现捕获场景的新视图合成。类似地，迄今为止最有效的辐射场解决方案建立在连续表示的基础上，通过插值存储的值，例如，体素或哈希[网格或点。虽然这些方法的连续性有助于优化，但渲染所需的随机抽样是昂贵的，并可能导致噪声。
三维重建-3D Gaussian Splatting
03-07
三维重建-3D Gaussian Splatting
【免费】基于高斯混合模型Gaussian Mixture Model, GMM的数据生成方法（附Matlab代码）
最新发布
weixin_44028734的博客
04-24 892
人工智能作为当前最具革命性、颠覆性的技术之一。智能模型的强大性能源自于对高质量数据集的充足学习。然而，实际工程应用中，由于经济成本和人力成本的限制，获取变得极具挑战，造成了训练样本。数据增强方法为解决此类问题提供了简单但有效的思路。基于的数据增强方法，在学习复杂高维数据分布方面表现出了极其优越的性能，为解决数据问题提供了一个新视角。）是一种统计模型，它假设数据是由多个概率密度函数（通常为高斯分布）的线性组合而成的。
【点云学习系列】之Gaussian-process-based Real-time Ground Segmentation for Autonomous Land Vehicles
AutoXTruck专栏
10-14 1030
简介 算法原理 实验结果 小结 参考 https://link.springer.com/article/10.1007/s10846-013-9889-4
机器学习（一）高斯混合模型
ChasingdreamLY的博客
04-19 818
计算机小白准备逐步重温机器学习算法，这是学习的第一个，高斯混合模型，文章系转载，原文地址：http://blog.csdn.net/hjimce/article/details/45244603 ——————————————————————————————华丽的分割线高斯混合算法是EM算法的一个典型的应用，EM算法的推导过程这里不打算详解，直接讲GMM算法的实现。之前做图像分割grab cut 算法
三维点云的地面分割算法
m0_37863723的博客
11-13 6179
1.https://www.sohu.com/a/154597666_715754 （“泡泡机器人SLAM”微信公众号) 2.Zermas D, Izzat I, Papanikolopoulos N. Fast segmentation of 3D point clouds: A paradigm on LiDAR data for autonomous vehicle application...
3D高斯泼溅（Splatting）简明教程
新缸中之脑
11-05 4966
3D 高斯泼溅的核心是一种光栅化技术。有描述场景的数据。在屏幕上绘制数据。然而，它不是三角形，而是高斯分布。这是一个栅格化的高斯函数，为了清晰起见，绘制了边框：位置：它所在的位置 (XYZ)协方差：如何拉伸/缩放（3x3 矩阵）颜色：它是什么颜色（RGB）Alpha：透明度如何 (α)在实践中，会同时绘制多个高斯曲线：这是三个高斯。那么 700 万高斯呢？这是每个高斯光栅化完全不透明的样子：这是对 3D 高斯分布的非常简短的概述。接下来，让我们逐步完成本文中描述的完整过程。
pcl点云聚类方法
热门推荐
weixin_41038905的博客
07-09 2万+
本节记录下点云聚类方法 1.欧式聚类分割方法 //为提取点云时使用的搜素对象利用输入点云cloud_filtered创建Kd树对象tree。 pcl::search::KdTree::Ptr tree (new pcl::search::KdTree); tree->setInputCloud (cloud_filtered);//创建点云索引向量，用于存储实际的点云信息 首先创...
PCL Kmeans点云聚类
点云侠的博客
08-30 3510
点云K均值聚类算法的PCL代码实现以及Kmeans算法的一种改进代码实现。
【数据挖掘】高斯混合模型 ( 高斯混合模型参数 | 高斯混合模型评分函数 | 似然函数 | 生成模型法 | 对数似然函数 | 高斯混合模型方法步骤 )
让 学习 成为一种 习惯 ( 韩曙亮 の 技术博客 )
05-04 4056
文章目录I . 高斯混合模型 参数简介II . 高斯混合模型 评分函数III. 似然函数与参数IV . 生成模型法V . 对数似然函数VI . 高斯混合模型方法 步骤 I . 高斯混合模型 参数简介 1 . 模型 与 参数 : 高斯混合模型 概率密度函数 : p(x)=∑i=1kωig(x∣μi,Σi)p(x) = \sum_{i = 1}^k \omega_i g ( x | \mu_...
Gaussian Mixture Model (GMM) - Gaussian Mixture Regression (GMR)：高斯混合模型中的数据编码和通过高斯混合回归检索-matlab开发
05-30
它允许通过使用期望最大化 (EM) 迭代学习算法对高斯混合模型 (GMM) 中的任何数据集进行有效编码。 通过使用此模型，高斯混合回归 (GMR) 可用于通过指定所需输入来检索部分输出数据。 然后它作为一个泛化过程，计算...
Gaussian-mixture-model-algorithm.rar_Gaussian Mixture_mixture_混合
09-24
完整的背景混合高斯建模的程序，很不错，很好用
em算法matlab代码-Expectation-Maximization-with-Gaussian-Mixture-Model:高斯混合模
05-26
em算法 matlab 代码
EM Algorithm for Gaussian Mixture Model (EM GMM)：高斯混合的EM算法。-matlab开发
05-29
这个包通过期望最大化（EM）算法拟合高斯混合模型（GMM）。它适用于任意维度的数据集。 应用了多种技术来提高数值稳定性，例如在对数域中计算概率以避免浮点数下溢，这在计算高维数据概率时经常发生。 该代码还通过...
3D点云分割之SAGA（cvpr2023) 配置及使用
蓝羽飞鸟的博客
01-22 1565
3DGS分割和渲染
机器学习算法（二十九）：高斯混合模型（Gaussian Mixed Model，GMM）
weixin_39910711的博客
04-05 2万+
目录 1 混合模型（Mixture Model） 2 高斯模型 2.1 单高斯模型 2.2高斯混合模型 3模型参数学习 3.1单高斯模型 3.2高斯混合模型 4高斯混合模型与K均值算法对比 1 混合模型（Mixture Model） 混合模型是一个可以用来表示在总体分布（distribution）中含有 K 个子分布的概率模型，换句话说，混合模型表示了观测数据在总体中的概率分布，它是一个由 K 个子分布组成的混合分布。混合模型不要求观测数据提供关于子分布的...
【机器学习之高斯混合模型(Gaussian Mixed Model，GMM) 】
m0_62571112的博客
05-02 5908
最简单了解GMM高斯混合模型！
三维点云GMM聚类算法
08-07
三维点云GMM聚类算法是一种基于高斯混合模型（Gaussian Mixture Model，简称GMM）的聚类算法，用于对三维点云数据进行聚类分析。 具体步骤如下： 1. 数据预处理：对三维点云数据进行预处理，例如去除噪声、降采样等。 2. 特征提取：从点云数据中提取特征，常用的特征包括点的位置、法向量、颜色等。 3. 数据表示：将提取的特征用向量表示，构建特征矩阵。 4. GMM模型训练：使用EM算法估计GMM模型的参数，包括每个高斯分量的均值、协方差矩阵和权重。 5. 聚类标签赋值：根据训练好的GMM模型，对每个点计算其属于每个高斯分量的后验概率，并将概率最大的高斯分量作为该点的聚类标签。 6. 聚类结果可视化：将聚类结果可视化展示，便于分析和理解。 三维点云GMM聚类算法可以用于场景理解、目标检测、模型配准等领域。它能够对复杂的点云数据进行聚类分析，并将点云数据划分为不同的类别，为后续的任务提供基础支持。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值